Notice bibliographique
Résumé
Il convient d'établir une distinction importante entre les mesures formelles et informelles de profilage des risques. Selon la plupart des acteurs, les mesures formelles en la matière, lesquelles s'inspirent de données statistiques, représentent la meilleure facüon de prédire et, partant, d'identifier des personnes ou des situations présentant un niveau élevé de risque. Cependant, il faut reconnaître que les profils formels sont fondés en grande partie sur des profils informels établis à partir des expériences et des cultures de travail de fonctionnaires oeuvrant dans le domaine de la sécurité. Il s'ensuit que les profils formels ont tendance à renfermer les mêmes erreurs et à exprimer des prophétie auto-réalisatrice qui engendrant des erreurs de fait ainsi que des conséquences discriminatoires pour les cas faux-positifs. Ceci dit, tous les profils accusent une multitude de problèmes. Par exemple, — et il s'agit du problème qui est sans doute le plus évident et le plus important —, les personnes faisant l'objet d'interdictions peuvent repérer facilement les mesures de profilage et modifier leurs opérations en conséquence en y intégrant des activités ou des individus qui ne correspondent pas aux profils établis. De là à conclure que les mesures de sécurité fondées entièrement sur l'analyse du risque pourront devenir moins efficaces que certaines solutions de rechange, telles que les interdictions ciblées aléatoirement. A key distinction needs to be made between formal and informal risk profiling. It is usually assumed that formal risk profiling, based on statistical data, provides an optimal means of prediction and thus of detecting high-risk individuals or situations. However, it must be recognized that formal profiles are based extensively on informal profiles — those built upon the experience and working cultures of security-related officials. Formal profiles are thus prone to the same errors and tend to produce self-fulfilling prophecies, resulting in both errors of fact and discriminatory consequences for falsepositive cases. All profiles, however, are fraught with problems, perhaps the most obvious and significant being that the targets of interdiction readily become aware of them and modify their operations to incorporate activities and/or individuals that do not fit existing profiles. Consequently, totally risk-based security, ironically, may become less effective than alternatives such as randomly assigned focused interdictions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,005 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».